mindspore.ops.l1_loss

mindspore.ops.l1_loss(input, target, reduction='mean')[源代码]

用于计算预测值和目标值之间的平均绝对误差。

假设 \(x\)\(y\) 为一维Tensor,长度 \(N\)reduction 设置为”none”,则计算 \(x\)\(y\) 的loss不进行降维操作。

公式如下:

\[\ell(x, y) = L = \{l_1,\dots,l_N\}^\top, \quad \text{with } l_n = \left| x_n - y_n \right|,\]

其中, \(N\) 为batch size。

如果 reduction"mean" 或者 "sum" ,则:

\[\begin{split}\ell(x, y) = \begin{cases} \operatorname{mean}(L), & \text{if reduction} = \text{'mean';}\\ \operatorname{sum}(L), & \text{if reduction} = \text{'sum'.} \end{cases}\end{split}\]
参数:
  • input (Tensor) - 预测值,任意维度的Tensor。

  • target (Tensor) - 目标值,通常情况与 input 的shape相同。如果 inputtarget 的shape不同,需要保证他们之间可以互相广播。

  • reduction (str, optional) - 应用于loss的reduction类型。取值为 "mean""sum""none" 。默认值: 'mean'

返回:

Tensor或Scalar,如果 reductionnone ,则返回与 input 具有相同shape和dtype的Tensor。否则,将返回Scalar。

异常:
  • TypeError - input 不是Tensor。

  • TypeError - target 不是Tensor。

  • ValueError - reduction 不为”mean”、”sum”或”none”。

支持平台:

Ascend GPU CPU

样例:

>>> from mindspore import Tensor, ops
>>> from mindspore import dtype as mstype
>>> x = ms.Tensor([[1, 2, 3], [4, 5, 6]], mstype.float32)
>>> target = ms.Tensor([[6, 5, 4], [3, 2, 1]], mstype.float32)
>>> output = ops.l1_loss(x, target, reduction="mean")
>>> print(output)
3.0